技术特征：
1.一种代谢特征谱推断方法，其特征在于，包括：将目标样本数据进行lc
‑
ms技术处理以获得lc
‑
ms原始数据；将所述lc
‑
ms原始数据进行降维转换处理以获得二维矩阵，所述二维矩阵保留所述lc
‑
ms原始数据的保留时间、质荷比及离子强度；将所述二维矩阵输入卷积神经网络模型以推断出所述目标样本数据的代谢物质特征谱。2.如权利要求1所述的代谢特征谱推断方法，其特征在于，所述将所述lc
‑
ms原始数据进行降维转换处理以获得二维矩阵的步骤包括；将所述lc
‑
ms原始数据进行格式转换；设置起始保留时间、终止保留时间、保留时间区间、保留时间采样间隔、起始质荷比、终止质荷比、质荷比区间以及质荷比采样间隔，其中，所述保留时间区间为起始保留时间至终止保留时间之间的范围，所述质荷比区间为起始质荷比至终止质荷比之间的范围；在所述保留时间区间和质荷比区间内，以所述保留时间采样间隔以及质荷比采样间隔为滑窗，采样所述保留时间区间和质荷比区间内的最大离子强度，以获得离子强度二维矩阵。3.如权利要求2所述的代谢特征谱推断方法，其特征在于，所述将所述二维矩阵输入卷积神经网络模型以推断出所述样本的代谢物质特征谱的步骤包括：根据所述卷积神经网络模型进行类激活热力图计算，生成每一样本的类激活分数s(t,r)，其中，t为保留时间，r为质荷比；根据所述卷积神经网络模型的网络结构，提取映射函数：t＝map1(x)，r＝map2(y)，其中，t为保留时间，r为质荷比；根据所述映射函数将所述类激活热力图的二维坐标映射至保留时间和质荷比；对所述类激活分数进行过滤处理以获得保留特征；根据所述保留特征筛选关键代谢物质，并进行相关性计算以推断所述出目标样本数据的代谢标志物与代谢网络模式，进而生成所述目标样本数据的代谢特征谱。4.如权利要求3所述的代谢特征谱推断方法，其特征在于，所述对所述类激活分数进行过滤处理以获得保留特征的步骤包括：过滤掉所述类激活分数小于第一预设阈值且离子强度小于第二预设阈值的分子特征，以获得保留特征。5.一种代谢特征谱推断系统，其特征在于，包括：lc
‑
ms处理模块，用于将目标样本数据进行lc
‑
ms技术处理以获得lc
‑
ms原始数据；降维转换处理模块，用于将所述lc
‑
ms原始数据进行降维转换处理以获得二维矩阵，所述二维矩阵保留所述lc
‑
ms原始数据的保留时间、质荷比及离子强度；代谢特征谱推断模块，用于将所述二维矩阵输入卷积神经网络模型以推断出所述目标样本数据的的代谢物质特征谱。6.如权利要求5所述的代谢特征谱推断系统，其特征在于，所述降维转换处理模块包括：格式转换单元，用于将所述lc
‑
ms原始数据进行格式转换；参数设置单元，用于设置起始保留时间、终止保留时间、保留时间区间、保留时间采样
间隔、起始质荷比、终止质荷比、质荷比区间以及质荷比采样间隔，其中，所述保留时间区间的范围为起始保留时间至终止保留时间之间的范围，所述质荷比区间为起始质荷比至终止质荷比之间的范围；降维采样单元，用于在所述保留时间区间和质荷比区间内，以所述保留时间采样间隔以及质荷比采样间隔为滑窗，采样所述保留时间区间和质荷比区间内内的最大离子强度，以获得离子强度二维矩阵。7.如权利要求6所述的代谢特征谱推断系统，其特征在于，所述代谢特征谱推断模块包括：类激活分数获取单元，用于根据所述卷积神经网络模型进行类激活热力图计算，生成每一样本的类激活分数s(t,r)，其中，t为保留时间，r为质荷比；提取单元，用于根据所述卷积神经网络模型的网络结构，提取映射函数：t＝map1(x)，r＝map2(y)，其中，t为保留时间，r为质荷比；映射单元，用于根据所述映射函数将所述类激活热力图的二维坐标映射至保留时间和质荷比；过滤单元，用于对所述类激活分数进行过滤处理以获得保留特征；计算推断单元，用于根据所述保留特征筛选关键代谢物质，并进行相关性计算以推断所述出目标样本数据的代谢标志物与代谢网络模式，进而生成所述目标样本数据的代谢特征谱。8.如权利要求7所述的代谢特征谱推断系统，其特征在于，所述过滤单元用于过滤掉所述类激活分数小于第一预设阈值且离子强度小于第二预设阈值的分子特征，以获得保留特征。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述指令时实现权利要求1
‑
4任意一项所述方法的步骤。10.一种存储介质，其存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1
‑
4任意一项所述方法的步骤。
技术总结
本发明公开了一种代谢特征谱推断方法，包括将目标样本数据进行LC
技术研发人员：李伟忠 邓永洁 胡寓旻 黄蓬
受保护的技术使用者：中山大学
技术研发日：2021.06.24
技术公布日：2021/10/26